diff options
Diffstat (limited to 'chapter/30-estado_del_arte.tex')
| -rw-r--r-- | chapter/30-estado_del_arte.tex | 17 |
1 files changed, 9 insertions, 8 deletions
diff --git a/chapter/30-estado_del_arte.tex b/chapter/30-estado_del_arte.tex index 5007129..ae8b0d6 100644 --- a/chapter/30-estado_del_arte.tex +++ b/chapter/30-estado_del_arte.tex @@ -131,7 +131,7 @@ Ver \autoref{tab:picoc}. Predicciones de deserción estudiantil universitaria \\ \hline Contexto & - Estudiantes de pregrado, instituciones de educacion superior, nacional o internacional, + Estudiantes de pregrado, instituciones de educación superior, nacional o internacional, tipo de grado académico perseguido, estatus socioeconómico del estudiante. \\ % El contexto de la intervención es amplio. Se espera % recolectar información de las técnicas de Aprendizaje Automático @@ -314,8 +314,9 @@ Se cuentan con los siguientes criterios de inclusión: El artículo explora y compara herramientas y metodologías para analizar la deserción estudiantil universitaria \item - El artículo incluye soluciones algorítmicas de Machine Learning para el - análisis de deserción estudiantil universitaria. + El artículo incluye soluciones algorítmicas de aprendizaje automático + (\textit{machine learning}) para el análisis de deserción estudiantil + universitaria. \end{itemize} Y los siguientes criterios de exclusión: @@ -400,8 +401,8 @@ extracción de datos. Ver \autoref{tab:formulario-extraccion}. P2 \\ \hline - Algoritmos de ML & - Algoritmos actuales de Machine Learninng utilizados para analizar la + Algoritmos de aprendizaje automático & + Algoritmos actuales de aprendizaje automático utilizados para analizar la deserción estudiantil universitaria & P3 \\ \hline @@ -699,7 +700,7 @@ Learning}, como lo son \textit{Decision Tree}, clasificación bayesiana, redes neuronales, y regresión logística. Para cada técnica, se cuenta con varios algorítmos, por ejemplo, C4.5, \textit{Random Forest}, \textit{Naïve Bayes}, y \textit{Multilayer perceptron} \autocite{Alwarthan2022107649}. En la -\autoref{tab:alg-comp} se sumariza el desempeño del mejor algorítmo para cada +\autoref{tab:alg-comp} se sumariza el desempeño del mejor algoritmo para cada artículo primario revisado. \begin{table} [htbp]\centering @@ -775,7 +776,7 @@ su naturaleza, están sujetas al enfoque subjetivo de cada encuestado. La segunda falencia identificada es el trabajar con notas no estandarizadas cuando se procesan datos de varias carreras \autocite{Kemper2020}. Distintos estándares de calificación en cada carrera pueden afectar al modelo. -Finalmente, se identifica que algunos estudios no se cuenta con un +Finalmente, se identifica que algunos estudios no cuenta con un \textit{dataset} grande, \autocite{Alvarez2020} cuenta con data de solo 456 estudiantes, y \autocite{Moreira2022} con 331 estudiantes. @@ -858,7 +859,7 @@ instituciones educativas podrán desarrollar modelos de predicción más preciso % estudios describen la metodología que siguieron, pero no mencionan un % nombre en específico de su metodología. % \item -% Los algorítmos más utilizados y con mejores resultados son +% Los algoritmos más utilizados y con mejores resultados son % \textit{Random Forest}, \textit{C4.5}, y \textit{Multilayer perceptron}. % Siendo los dos primeros técnicas de clasificación utilizando % \textit{Decision Trees} y el tercero utilizando redes neuronales. |